dplyr：一種用於數據操作的強大工具

一、dplyr是什麼

dplyr是一個R語言的包，用於數據的操作和轉換。它的核心理念是提供一組功能豐富、靈活且易於理解的函數，使得基本的數據操作可以得到簡單、快速的實現。相比於其他的數據操作工具，dplyr更加註重數據規整化、簡要和清晰化的語法，使得用戶可以更加方便地進行數據操作。

library(dplyr)
data(mtcars)
head(mtcars)

通過載入dplyr包和調用數據集，我們可以直接使用dplyr的函數進行數據操作。其中head()函數是R語言默認包中提供的函數，用於顯示數據集的前幾行。這裡我們使用head()函數展示了mtcars數據集的前6行：

   mpg cyl disp  hp drat    wt  qsec vs am gear carb
1 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
2 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
3 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
4 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
5 18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
6 18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1

二、dplyr的核心功能

1、選擇列

dplyr主要的數據操作任務是從數據集中選擇、篩選想要的變數。選擇所需列的最簡單的方法是使用函數select()。select()函數允許你按照列名或條件進行選取。

select(mtcars, mpg, cyl, carb)

這裡我們使用select()函數選取了mtcars數據集中的三列，結果如下：

                    mpg cyl carb
Mazda RX4           21.0   6    4
Mazda RX4 Wag       21.0   6    4
Datsun 710          22.8   4    1
Hornet 4 Drive      21.4   6    1
Hornet Sportabout   18.7   8    2
Valiant             18.1   6    1
...

2、篩選數據

dplyr提供了filter()函數，可以根據一定條件篩選數據。這裡我們利用filter()函數把所有的mpg值大於20的行找出來：

filter(mtcars, mpg > 20)

得到的結果如下：

              mpg cyl  disp  hp drat    wt  qsec vs am gear carb
Mazda RX4     21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
Datsun 710    22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
Fiat 128      32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
...

3、排序數據

dplyr提供了arrange()函數，可以根據一定條件對數據進行排序。這裡我們使用arrange()函數將mtcars數據集按照mpg、cyl和hp列排序：

arrange(mtcars, mpg, cyl, hp)

結果如下：

             mpg cyl disp hp drat    wt  qsec vs am gear carb
Fiat 128     32.4   4 78.7 66 4.08 2.200 19.47  1  1    4    1
...

4、匯總數據

dplyr提供了summarise()函數，可以對數據進行匯總，如計算均值、方差等統計量。例如，我們可以使用summarise()函數計算mtcars數據集中mpg、cyl、disp和hp的均值：

summarise(mtcars, mean(mpg), mean(cyl), mean(disp), mean(hp))

結果如下：

  mean(mpg) mean(cyl) mean(disp) mean(hp)
1 20.09062 6.1875 230.7219 146.6875

三、dplyr的進階應用

1、分組數據

dplyr提供了group_by()函數，可以對數據進行按照某些列進行分組，以便進行後續的操作。例如，在mtcars數據集中，我們將數據按照gear（檔位）進行分組：

mtcars %>% group_by(gear) %>% summarise(mean(mpg), mean(cyl))

結果如下：

  gear mean(mpg) mean(cyl)
1  3 16.10667 7.466667
2  4 24.53333 4.666667
3  5 21.38000 6.000000

2、使用mutate()創建新列

我們可以使用mutate()函數進行新列的計算和添加。比如，在mtcars數據集中，我們可以計算每輛車的每一升油的行駛里程：

mtcars %>% mutate(mileage = mpg / (disp / 61.0237))

這將在mtcars數據集中添加一個名為「mileage」的新列，計算了每升油的里程數。結果如下：

                    mpg cyl  disp  hp drat    wt  qsec vs am gear carb mileage
Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4  18.24803
Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4  18.24803
Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1  22.60185
Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1  47.53659
...

3、使用group_by()和mutate()進行分組應用

下面我們將使用group_by()和mutate()對數據進行分組。我們從midwest數據集中選取了5個變數，並計算各個州的人均收入、人均醫療支出和人口密度：

library(dplyr)
data(midwest)

midwest %>% 
  select(state, county, percprof, percblue, percbelowpoverty) %>%
  group_by(state) %>%
  mutate(avg_income = mean(percprof),
         avg_medical = mean(percblue),
         population_density = mean(percbelowpoverty)) %>%
  select(state, avg_income, avg_medical, population_density)

結果如下：

  state avg_income avg_medical population_density
1    IL   5.945945   31.756757             19.800
2    IL   5.945945   31.756757             19.800
3    IL   5.945945   31.756757             19.800
4    IL   5.945945   31.756757             19.800
...

4、使用summarize()和group_by()計算匯總統計數據

最後我們將使用summarize()和group_by()計算匯總統計數據。在diamonds數據集中，我們根據不同的顏色和切割進行分組並計算平均價格和克拉數：

library(ggplot2)
data(diamonds)

diamonds %>% 
  group_by(color, cut) %>%
  summarize(avg_price = mean(price), avg_carat = mean(carat)) %>%
  ggplot(aes(x = avg_price, y = avg_carat, color = cut, shape = color)) + 
  geom_point(size = 3) + 
  labs(title = "Average Price and Carat of Diamonds Grouped by Cut and Color",
  x = "Average Price", y = "Average Carat")

結果如下：

  color   cut       avg_price avg_carat
1 D    Fair       4291.061     1.046137
2 D    Good       3405.382     0.849185
3 D    Very Good  3470.467     0.806381
4 D    Premium    3631.292     0.721547
...

結論

本文介紹了dplyr包的基本內容和進階應用，通過上述例子可以發現，dplyr的數據操作非常靈活，簡明易懂，並且幾乎覆蓋了所有的數據篩選、分組和匯總操作。因此，無論你是初學者還是有經驗的R語言用戶，dplyr都是一個十分優秀的數據操作工具。